基金公司鏖戰AI：行業變革之下仍要警惕合規問題

21世紀經濟報道特約記者 龐華瑋 廣州報道2025年新年伊始，DeepSeek在全球科技市場掀起了一場“AI海嘯”。

隨着DeepSeek爆火和對AI技術需求爆發式增長，一批公募機構率先完成了DeepSeek系列開源模型的私有化部署。

3月3日，21世紀經濟報道記者諮詢了近30家頭部基金公司，其中，有近20家公募機構表示已完成DeepSeek系列開源模型私有化部署。

各家公募機構的科技團隊對DeepSeek爲代表的大語言模型的應用做了積極探索，這些基金公司將人工智能深度嵌入辦公、投研、風控、客服、風控、投顧等業務鏈，並形成各具特色的AI業務。

而這場技術競賽的背後，是基金行業對效率與創新的追求。業內人士認爲，AI技術在資產管理行業競爭中發揮越來越重要的作用，並將推動業務發生重大變革。

引入DeepSeek等開源大模型有望爲基金行業帶來成本效益、創新動力和跨界協作的新機遇，但同時，AI是一把雙刃劍，也將帶來了不少難題，比如頭部基金公司快速部署和優化AI技術，提升業務效率和客戶體驗，與中小機構的差距可能進一步拉大。

擁抱AI

21世紀經濟報道記者就此諮詢了近30家大中型公募機構，據記者不完全統計，目前包括易方達基金、匯添富基金、南方基金、招商基金、天弘基金、富國基金、國泰基金、中歐基金、景順長城基金、博時基金、永贏基金、大成基金、浦銀安盛基金、平安基金、萬家基金、諾安基金等近20家大中型公募機構已完成DeepSeek系列開源模型私有化部署。

實際上，頭部公募機構擁抱DeepSeek大模型的時間，遠比市場以爲的早。

作爲最早佈局DeepSeek的公募機構之一，博時基金早在2024年初，經過反覆調研，發現了DeepSeek模型在自動編寫代碼和邏輯推理方面的潛力，率先在自有的昇騰服務器上部署了DeepSeek-v1模型，作爲公司智能開發工具的基座模型，並在2024年8月升級爲DeepSeek-v2模型。

2025年伊始，隨着DeepSeek-R1模型的發佈，博時基金迅速完成內部部署，並開始探索它在投資研究、投資顧問服務和軟件開發等方面的應用。

“R1模型在推理能力上表現優異，可以進一步幫助提升工作效率，支持業務創新。同時，它對算力的需求也有所降低，爲進一步推廣應用創造了條件。”博時基金相關負責人表示。

無獨有偶，易方達基金也在2024年5月開始接入DeepSeek的V2版本SaaS模型服務。隨着DeepSeek在2024年12月發佈V3模型、2025年1月發佈R1模型，易方達基金也迅速在當月底完成了全參數版本模型在內部的私有化部署。

值得關注的是，DeepSeek大幅提高基金公司的效率。

興證全球基金自研的AI交易員“興寶”通過DeepSeek實現語義識別與指令生成，交易效率提升超30%；投研端則藉助大模型打破數據孤島，構建全景化分析框架，每日自動生成涵蓋個股與行業的深度報告。此外，公司推出的DeepSeek+Word智能插件，將文檔處理時間縮短50%，成爲內部效率革命的“隱形引擎”。

匯添富基金今年春節後完成了DeepSeek系列開源模型的私有化部署，目前已應用於信息萃取、代碼助手、通用問答等多個內部業務場景。比如，信息萃取方面，在債券臺賬解析場景中，系統已實現對相關臺賬記錄的全量智能解析，識別準確率達96%以上。在存單報價解析場景中，識別準確率達到77%。而在代碼助手方面，近一個月內，代碼助手累計生成代碼推薦超過5萬次，採納率由原來的3%提升至10%，顯著提高了開發效率。

值得一提的是，不少基金公司的AI創新各有特色。

比如，南方基金在本地部署了Deepseek 671B和32B兩種模型，分別對接到公司的辦公助理和科技助理，全面升級了原有大模型；招商基金基於DeepSeek開源架構，完成系列開源模型的本地化部署，並在內部場景中驗證其效率和表現優勢，此外，技術團隊新增部署R1量化版本，相對於全參數版本降低部分算力成本；萬家基金推出了自研大模型項目——“萬Chat”平臺，該平臺通過智能知識庫與Agent技術，將DeepSeek的32B本地模型與業務場景深度綁定，實現投研決策支持與客戶交互體驗的雙升級；永贏基金主要通過Deepseek開展了問答、制度檢索和非結構化交易數據整理的場景，同時還在測試文檔優化、AI文檔助手、智能知識庫、投研數據整理、內部數據分析查詢等多種應用場景；浦銀安盛基金私有化部署了包括DeepSeek、Qwen、ChatGLM在內的多個模型並向全體員工開放使用；諾安基金完成DeepSeek金融大模型的本地化部署，並推出基於主流AI開源框架自主研發的“諾安AI助手”，在投研分析、客戶服務、風險管控等核心業務場景啓動試點應用；國泰基金於2025年1月底完成了DeepSeek系列模型私有化部署，搭建了國泰基金AI應用開發平臺，在品牌持營、風險管控、產品運營、文檔辦公等業務場景中有了不錯表現；而工銀瑞信則完成DeepSeek-V3/R1 671B版本部署。

“公募機構在AI領域的佈局包括智能投顧、客戶服務、運營優化等方面。AI技術的應用能夠提升公募機構的服務效率，推動行業創新。”格上理財旗下金樟投資研究員王禕說。

前景

用大模型技術實現場景落地賦能將是資管行業未來的重要賽點。

“目前公司各業務領域對AI技術的需求已呈現爆發式增長，應用場景愈發多元化和複雜化。可以預見AI技術將在資產管理行業中發揮越來越重要的作用，並推動業務發生重大變革。”南方基金指出。

南方基金分析，隨着技術的不斷迭代，AI將在投資決策、風險評估、客戶服務等核心業務環節引發一系列顛覆性變革，進而重塑行業的未來發展方向。

而興證全球基金也認爲，DeepSeek系列開源模型在基金行業的投資研究、運營管理、員工培訓、客戶服務、智能運營、基金投顧業務發展等多個領域都有廣闊的應用前景。

對於DeepSeek未來的應用前景，易方達基金表示，將聚焦於應用強推理模型結合內部業務數據，通過大小模型協作和知識蒸餾，提升垂域任務效果，同時將力爭降低推理部署成本。

“公司將繼續探索AI驅動的服務能力全面升級，聚焦大規模、多模態技術方向，提升AIGC技術能力，推動AIGC與投研、風控、市場、客服、投顧、辦公等各個業務條線、各類場景深度融合，打造企業級人工智能應用生態。”易方達基金表示。

記者採訪發現，接受採訪的頭部基金公司普遍對DeepSeek系列開源模型給予高度評價，並一致認爲AI技術的應用實現了降本增效，推動了行業創新。

富國基金分析，“引入DeepSeek等開源模型有望爲基金行業帶來成本效益、創新動力和跨界協作的新機遇，同時也爲業務決策和風險管理提供了更加科學、透明和高效的技術支持。此外，開源模型將在數字化轉型、投資策略優化和風控體系建設方面發揮越來越關鍵的作用。”

招商基金認爲，DeepSeek對基金行業前景影響較大：一是技術普惠，降低AI應用門檻，推動中小機構低成本部署智能工具，實現投研、風控、服務等全鏈條提效；二是技術邏輯透明化：DeepSeek自帶CoT（鏈式推理）能力，可清晰展示AI決策邏輯鏈，降低複雜模型“黑箱”風險，助力中小機構低成本部署合規且可解釋的智能工具（如投研歸因分析、風控預警）； 三是生態創新：開源模式激發行業協作，催生金融垂直模型（如政策分析、ESG評估），加速技術迭代與標準化；四是競爭重塑，中小機構可借細分場景（另類數據挖掘、個性化服務）突圍，頭部機構深化人機協同，優化決策效率。

“DeepSeek開源模型有望成爲基金業數字化轉型的核心驅動力，推動行業從經驗依賴向數據智能躍遷，最終實現效率、創新與普惠的多維升級。”招商基金表示。

難點

不過，AI是一把雙刃劍，給基金公司帶來效率和創新的同時，也帶來了一些難題。

“隨着AI技術的快速發展，頭部基金公司憑藉資金與人才優勢，快速部署和優化AI技術，提升業務效率和客戶體驗，與中小機構的差距進一步拉大。”王禕指出。

有機構指出，未來3年技術領先的基金機構將吃掉60%的市場增量。

“基金公司面對的挑戰在於，AI技術的部署和優化需要大量的人力、算力和資金投入，短期內可能無法帶來確定性的效率和經營效益提升。”王禕建議，基金公司應持續加大AI技術的研發和應用投入，提升技術實力和業務效率。同時，密切關注法律法規的變化，確保AI技術的應用符合監管要求，防範法律風險。

永贏基金則指出，目前AI在營銷推廣過程中最大的問題就是大模型的“幻覺”，這需要對Deepseek產生的內容進行更加精準的“調教”才能獲得更好的效果，並且需要規避因爲錯誤的內容、不準確的數據或者不合適的話術造成的誤導投資者的風險。

“任何技術進步都伴隨着效率提升與新生的風險。在不斷提升模型應用效率的同時，妥善保護數據安全和信息安全是需要重點關注的問題。”興證全球基金提醒。

興證全球基金表示，在風險方面，首先，AI 模型推薦依賴於大量高質量的數據，如果數據存在偏差、缺失或錯誤，可能導致 AI 對基金的分析和推薦出現偏差，給出不合理的基金推薦。其次，如果利用 AI推薦的影響力，誘導投資者購買特定產品，可能導致市場秩序被擾亂。再次，在信息披露方面，基金營銷須以顯著、清晰的方式向投資者揭示投資風險，這一方面AI的信息輸出規範還有待提高。最後AI在信息保護、信息安全方面的風險也值得關注。

“對於部分投資者運用Deepseek詢問基金推薦這一現象，更加要求基金公司能夠提供準確、優質的基金產品介紹和數據，同時加強投資者教育，提升投資者對基金投資的科學認知，對信息的判斷力。”興證全球基金建議。

而招商基金指出基金公司發展AI的四大難點：一是金融數據質量與隱私平衡 ，金融文本專業性強、噪聲多（如縮寫、歧義表述），且需規避敏感信息；二是模型與業務場景適配性，通用模型對金融邏輯（如政策影響傳導、跨市場風險關聯）的理解存在偏差；三是算力資源與實時性要求，全量參數版本部署需高算力支持，與低延遲業務需求（如實時風控）存在衝突；四是合規與可解釋性挑戰，監管對AI決策透明度的要求與模型“黑箱”特性存在矛盾。

“在引入模型的過程中，配合搭建穩定高效的基礎技術平臺和人才團隊，同步做好對業務場景AI應用落地的驗證，是各行業AI應用探索的前提保障。 ”富國基金提醒。